遥感图像分类:最大似然法与神经网络应用
需积分: 50 173 浏览量
更新于2024-08-06
收藏 1.73MB PDF 举报
"这篇硕士学位论文探讨了基于神经网络的遥感影像识别技术,主要涉及最大似然分类法以及BP神经网络、Kohonen自组织特征映射网络(SOM)、模糊Kohonen聚类网络(FKCN)和改进的自适应FKCN(AFKCN)在遥感图像分类中的应用。"
遥感图像分类是遥感技术的核心部分,主要依赖于地物的光谱特性。传统的分类方法包括监督分类和无监督分类,其中监督分类需要已知样本,如最大似然分类法。最大似然分类是一种常见的监督分类方法,基于统计学的假设,即各类别的数据遵循正态分布。这种方法通过计算每个像素点属于各类别的概率,选择概率最大的类别作为分类结果,以实现高精度的分类。
最大似然分类的判决规则基于概率统计,它假设每个像素的光谱特征服从特定类别的概率分布。在多变量空间中,这些特征形成不同形状的分布,通常呈现椭圆或椭球状。分类时,算法会计算像素点落入各类别的概率,并选择概率最高的类别作为分类归属。
然而,传统的分类方法在面对复杂场景和不确定性时可能表现不佳。为了解决这些问题,神经网络技术被引入到遥感图像分类中。例如,BP(Backpropagation)神经网络能通过反向传播学习来调整权重,适应遥感图像的复杂性。论文中还提到了Kohonen自组织映射网络,这是一种无监督学习方法,用于发现数据的结构和模式。模糊Kohonen聚类网络则结合了模糊逻辑,允许在分类过程中考虑不确定性,提高分类的鲁棒性。
此外,论文还介绍了一种改进的自适应FKCN网络,这种网络在分类过程中能自适应地调整参数,以更好地适应遥感图像的特性。通过与遥感专业软件ERDAS的结合,这些神经网络模型被应用于实际的遥感影像数据,如渤海湾地区的1M遥感影像,先进行初步的无监督分类,然后利用神经网络进行二次精确定位。
这篇论文深入研究了遥感图像分类的传统方法及其局限性,并探索了神经网络技术如何克服这些局限,提供更高效和准确的分类结果。通过结合不同类型的神经网络和模糊逻辑,研究者旨在开发出更适应遥感数据特性的分类算法,从而提高遥感信息提取的准确性和效率。
105 浏览量
2015-04-10 上传
2014-10-19 上传
2021-05-31 上传
2021-06-01 上传
2021-04-29 上传
点击了解资源详情
点击了解资源详情
点击了解资源详情
臧竹振
- 粉丝: 48
- 资源: 4053
最新资源
- 火炬连体网络在MNIST的2D嵌入实现示例
- Angular插件增强Application Insights JavaScript SDK功能
- 实时三维重建:InfiniTAM的ros驱动应用
- Spring与Mybatis整合的配置与实践
- Vozy前端技术测试深入体验与模板参考
- React应用实现语音转文字功能介绍
- PHPMailer-6.6.4: PHP邮件收发类库的详细介绍
- Felineboard:为猫主人设计的交互式仪表板
- PGRFileManager:功能强大的开源Ajax文件管理器
- Pytest-Html定制测试报告与源代码封装教程
- Angular开发与部署指南:从创建到测试
- BASIC-BINARY-IPC系统:进程间通信的非阻塞接口
- LTK3D: Common Lisp中的基础3D图形实现
- Timer-Counter-Lister:官方源代码及更新发布
- Galaxia REST API:面向地球问题的解决方案
- Node.js模块:随机动物实例教程与源码解析